以下文章僅僅是一個小白對於AI的思索，不是專業人士，也不預期有許多人看到，只是給自己的一個小記實。
假如下次友人再問我這個問題，我會這麼回答。
我對AI的理解，有三種能力：
1.檢索能力
2.運算能力
3.理解能力
以往的AI可能只能做到上面2種能力，但是chatgpt這個AI已經可以到達第三種能力。
以往的AI只是做到了檢索能力，也就是解決知識的問題。我們知道，這世界上有無窮無盡的知識，但是他們都是作為常識一樣存在的，好比白宮的牆壁是不是白色的，秦朝的第一位天子是不是秦始皇，透過檢索，AI能夠給我們提供這些知識的謎底，所以現在市面上許多AI都是透過這種檢索能力來給我們服務，好比我們可以問AI，諸如現在幾點，明天氣候怎麼樣，或者望廬山瀑布這首詩是誰寫的。這樣的能力是很基礎的，也是比較簡單的，只要你的檢索能力足夠好，可以給你提供足夠精準的謎底。
第二種運算能力，也就是解決有固定規則的問題。好比，解方程，下象棋，做運算，等等。這種，是指在一定規則下，能夠讓AI去快速的計算，得出結果，這些問題，都是有著一個固定的明確的規則的。哪怕像圍棋這樣有千千萬萬條路的可能性的遊戲，它的規則也是固定的，只不過是運用到演算法，算力的大小而已。所以第二種能力，運算，也就是解決有規則的問題。這個也是之前 AI是可以透過演算法做到的。
而第三種能力，理解能力，之前的AI是不輕易做到的，但是chatgpt做的了，這種理解能力，就包括，對上下文語義的理解，自然語言的理解，以及在此基礎上，對於已有資訊知識的檢索，綜合運算整合，組合再給出自己理解的一套謎底。
好比，假如我們試著問AI，如何教小孩子AI的知識？
你問這個問題問你的siri， 它可能會說，我在網頁上找到了這些內容，已經發送到你的手機，請檢視。那麼對於它來說，它仍是在做一些資訊檢索的事情，也就是說，可能有人問過這個問題，在網上，好比百度知道，或者知乎，它找到了相似的謎底，精確度很高的匹配，然後把這個資訊發給你，讓你自己看。這個也就是檢索。
但是假如我們問chatgpt，它會"思索"一陣子，然後給出它的謎底，這個"思索"的過程，既包括了對你問題的理解，也繼承包括了，它對已經存在的知識資訊的檢索，然後加工，然後運算，然後給出它自己已經“理解”了的一個謎底。
你會發現，當你問同一個問題的時候，甚至可能，每次它的回答，都是有不一樣的。
這個就跟人一樣，好比有人問你一個問題，你能保證兩次回答的字，都是一模一樣的嗎。當然不是。由於每次，可能你都有自己的思索，你的表述也會不一樣。
我們可以感覺到chatgpt，它有了自己的"理解"能力。
那這個理解能力是，從何而來的呢。
輕微接觸過機器學習的人都知道，實在這樣的人工智慧，AI技術，就是在模仿人類，學習，理解的方式。以往對人工智慧的練習，學習，那一套，已經滿意不了，但願人工智慧像人一樣為我們服務的需求了。而新的，對人工智慧的練習，實在就是在模擬人，從生物學的角度，去模擬人的思索方式。人的思索，人的神經系統，是由億萬顆神經元，突觸構成，每次思索，學習，都由億萬個神經細胞，電子資訊傳遞活動來介入，而人工智慧的新的練習方式，學習方式，也恰是參考了這樣的結構模擬。
卷積神經網路，監視學習，非監視學習，各種方式在一起，實在就是在模擬人的神經元資訊傳遞加工輸出的方式。
而據說下一代的chatgpt5會有65quatrillion 的paremeter組成，這些引數就相當於人腦的神經元的運作，數目越多，AI越智慧，能理解的能力越強。以後AI說不定能夠真正真正的以更高的水準去理解。
這當然要結合更進步的練習方式，更強盛的演算法。
監視學習：
小時候，我們是如何學習的。好比第一次，我們見到玫瑰花，在花園裡，可能媽媽跟我們說，這個是玫瑰花，這個粉色的也是玫瑰花，於是，我們學會了玫瑰花。後來，我們看到一束玫瑰花，我們也能認出，這是玫瑰花，我們看到書上的插畫，我們也能知道這是玫瑰花，我們看到一個樂高積木玫瑰花，我們也能認出這是玫瑰花。人類咋就這麼智慧呢。但是機器可不行，在模仿人類的神經網路演算法之前，機器不會這麼學習的。你告訴它一隻玫瑰花，換成一束玫瑰，它可能就認不出來了。
那麼再說，好比，老師教我們一個數字6，學會了，以後不管是印刷體6，仍是手寫體6，仍是草書6，我們都能夠很輕易認出來，但是機器，可不會這麼智慧，他們怎麼學會6呢，監視學習就是，可能要一萬張6的照片，輸入進去，告訴它們，這是6，讓他們記住這個特徵，以後面對新的6，它們可能也好也能辨認。
卷積神經網路：
透過對一副圖片，提取它的特徵向量，透過卷積的方式，一個單位一個單位的卷積，得出的特徵向量，可能我們無法理解，是一串二維的，機器可以理解的語言，但是透過這種方式，提取特徵向量，可以讓機器在之後辨別類似特徵的物品，從而進行識別。
非監視學習：
如果說1萬張圖片，讓機器學會了6，是監視學習，而透過自己調整引數，自己驗證 謎底並校準的方法，就長短監視學習，這當然是更高階的學習方法，本人也瞭解不夠深刻。淺知而已。
所以本人所瞭解的，好比AI演算法實驗室裡的小夥伴，大多都在跑模型，耗GPU，試圖練習出更成熟更精準的AI模型出來，也是個“體力活”。挺苦的。讓我們為這些國產AI實驗室加油吧。
以下文章僅僅是一個小白對於AI的思索，不是專業人士，也不預期有許多人看到，只是給自己的一個小記實。
假如下次友人再問我這個問題，我會這麼回答。
我對AI的理解，有三種能力：
1.檢索能力
2.運算能力
3.理解能力
以往的AI可能只能做到上面2種能力，但是chatgpt這個AI已經可以到達第三種能力。
以往的AI只是做到了檢索能力，也就是解決知識的問題。我們知道，這世界上有無窮無盡的知識，但是他們都是作為常識一樣存在的，好比白宮的牆壁是不是白色的，秦朝的第一位天子是不是秦始皇，透過檢索，AI能夠給我們提供這些知識的謎底，所以現在市面上許多AI都是透過這種檢索能力來給我們服務，好比我們可以問AI，諸如現在幾點，明天氣候怎麼樣，或者望廬山瀑布這首詩是誰寫的。這樣的能力是很基礎的，也是比較簡單的，只要你的檢索能力足夠好，可以給你提供足夠精準的謎底。
第二種運算能力，也就是解決有固定規則的問題。好比，解方程，下象棋，做運算，等等。這種，是指在一定規則下，能夠讓AI去快速的計算，得出結果，這些問題，都是有著一個固定的明確的規則的。哪怕像圍棋這樣有千千萬萬條路的可能性的遊戲，它的規則也是固定的，只不過是運用到演算法，算力的大小而已。所以第二種能力，運算，也就是解決有規則的問題。這個也是之前 AI是可以透過演算法做到的。
而第三種能力，理解能力，之前的AI是不輕易做到的，但是chatgpt做的了，這種理解能力，就包括，對上下文語義的理解，自然語言的理解，以及在此基礎上，對於已有資訊知識的檢索，綜合運算整合，組合再給出自己理解的一套謎底。
好比，假如我們試著問AI，如何教小孩子AI的知識？
你問這個問題問你的siri， 它可能會說，我在網頁上找到了這些內容，已經發送到你的手機，請檢視。那麼對於它來說，它仍是在做一些資訊檢索的事情，也就是說，可能有人問過這個問題，在網上，好比百度知道，或者知乎，它找到了相似的謎底，精確度很高的匹配，然後把這個資訊發給你，讓你自己看。這個也就是檢索。
但是假如我們問chatgpt，它會"思索"一陣子，然後給出它的謎底，這個"思索"的過程，既包括了對你問題的理解，也繼承包括了，它對已經存在的知識資訊的檢索，然後加工，然後運算，然後給出它自己已經“理解”了的一個謎底。
你會發現，當你問同一個問題的時候，甚至可能，每次它的回答，都是有不一樣的。
這個就跟人一樣，好比有人問你一個問題，你能保證兩次回答的字，都是一模一樣的嗎。當然不是。由於每次，可能你都有自己的思索，你的表述也會不一樣。
我們可以感覺到chatgpt，它有了自己的"理解"能力。
那這個理解能力是，從何而來的呢。
輕微接觸過機器學習的人都知道，實在這樣的人工智慧，AI技術，就是在模仿人類，學習，理解的方式。以往對人工智慧的練習，學習，那一套，已經滿意不了，但願人工智慧像人一樣為我們服務的需求了。而新的，對人工智慧的練習，實在就是在模擬人，從生物學的角度，去模擬人的思索方式。人的思索，人的神經系統，是由億萬顆神經元，突觸構成，每次思索，學習，都由億萬個神經細胞，電子資訊傳遞活動來介入，而人工智慧的新的練習方式，學習方式，也恰是參考了這樣的結構模擬。
卷積神經網路，監視學習，非監視學習，各種方式在一起，實在就是在模擬人的神經元資訊傳遞加工輸出的方式。
而據說下一代的chatgpt5會有65quatrillion 的paremeter組成，這些引數就相當於人腦的神經元的運作，數目越多，AI越智慧，能理解的能力越強。以後AI說不定能夠真正真正的以更高的水準去理解。
這當然要結合更進步的練習方式，更強盛的演算法。
監視學習：
小時候，我們是如何學習的。好比第一次，我們見到玫瑰花，在花園裡，可能媽媽跟我們說，這個是玫瑰花，這個粉色的也是玫瑰花，於是，我們學會了玫瑰花。後來，我們看到一束玫瑰花，我們也能認出，這是玫瑰花，我們看到書上的插畫，我們也能知道這是玫瑰花，我們看到一個樂高積木玫瑰花，我們也能認出這是玫瑰花。人類咋就這麼智慧呢。但是機器可不行，在模仿人類的神經網路演算法之前，機器不會這麼學習的。你告訴它一隻玫瑰花，換成一束玫瑰，它可能就認不出來了。
那麼再說，好比，老師教我們一個數字6，學會了，以後不管是印刷體6，仍是手寫體6，仍是草書6，我們都能夠很輕易認出來，但是機器，可不會這麼智慧，他們怎麼學會6呢，監視學習就是，可能要一萬張6的照片，輸入進去，告訴它們，這是6，讓他們記住這個特徵，以後面對新的6，它們可能也好也能辨認。
卷積神經網路：
透過對一副圖片，提取它的特徵向量，透過卷積的方式，一個單位一個單位的卷積，得出的特徵向量，可能我們無法理解，是一串二維的，機器可以理解的語言，但是透過這種方式，提取特徵向量，可以讓機器在之後辨別類似特徵的物品，從而進行識別。
非監視學習：
如果說1萬張圖片，讓機器學會了6，是監視學習，而透過自己調整引數，自己驗證 謎底並校準的方法，就長短監視學習，這當然是更高階的學習方法，本人也瞭解不夠深刻。淺知而已。
所以本人所瞭解的，好比AI演算法實驗室裡的小夥伴，大多都在跑模型，耗GPU，試圖練習出更成熟更精準的AI模型出來，也是個“體力活”。挺苦的。讓我們為這些國產AI實驗室加油吧。
以下文章僅僅是一個小白對於AI的思索，不是專業人士，也不預期有許多人看到，只是給自己的一個小記實。
假如下次友人再問我這個問題，我會這麼回答。
我對AI的理解，有三種能力：
1.檢索能力
2.運算能力
3.理解能力
以往的AI可能只能做到上面2種能力，但是chatgpt這個AI已經可以到達第三種能力。
以往的AI只是做到了檢索能力，也就是解決知識的問題。我們知道，這世界上有無窮無盡的知識，但是他們都是作為常識一樣存在的，好比白宮的牆壁是不是白色的，秦朝的第一位天子是不是秦始皇，透過檢索，AI能夠給我們提供這些知識的謎底，所以現在市面上許多AI都是透過這種檢索能力來給我們服務，好比我們可以問AI，諸如現在幾點，明天氣候怎麼樣，或者望廬山瀑布這首詩是誰寫的。這樣的能力是很基礎的，也是比較簡單的，只要你的檢索能力足夠好，可以給你提供足夠精準的謎底。
第二種運算能力，也就是解決有固定規則的問題。好比，解方程，下象棋，做運算，等等。這種，是指在一定規則下，能夠讓AI去快速的計算，得出結果，這些問題，都是有著一個固定的明確的規則的。哪怕像圍棋這樣有千千萬萬條路的可能性的遊戲，它的規則也是固定的，只不過是運用到演算法，算力的大小而已。所以第二種能力，運算，也就是解決有規則的問題。這個也是之前 AI是可以透過演算法做到的。
而第三種能力，理解能力，之前的AI是不輕易做到的，但是chatgpt做的了，這種理解能力，就包括，對上下文語義的理解，自然語言的理解，以及在此基礎上，對於已有資訊知識的檢索，綜合運算整合，組合再給出自己理解的一套謎底。
好比，假如我們試著問AI，如何教小孩子AI的知識？
你問這個問題問你的siri， 它可能會說，我在網頁上找到了這些內容，已經發送到你的手機，請檢視。那麼對於它來說，它仍是在做一些資訊檢索的事情，也就是說，可能有人問過這個問題，在網上，好比百度知道，或者知乎，它找到了相似的謎底，精確度很高的匹配，然後把這個資訊發給你，讓你自己看。這個也就是檢索。
但是假如我們問chatgpt，它會"思索"一陣子，然後給出它的謎底，這個"思索"的過程，既包括了對你問題的理解，也繼承包括了，它對已經存在的知識資訊的檢索，然後加工，然後運算，然後給出它自己已經“理解”了的一個謎底。
你會發現，當你問同一個問題的時候，甚至可能，每次它的回答，都是有不一樣的。
這個就跟人一樣，好比有人問你一個問題，你能保證兩次回答的字，都是一模一樣的嗎。當然不是。由於每次，可能你都有自己的思索，你的表述也會不一樣。
我們可以感覺到chatgpt，它有了自己的"理解"能力。
那這個理解能力是，從何而來的呢。
輕微接觸過機器學習的人都知道，實在這樣的人工智慧，AI技術，就是在模仿人類，學習，理解的方式。以往對人工智慧的練習，學習，那一套，已經滿意不了，但願人工智慧像人一樣為我們服務的需求了。而新的，對人工智慧的練習，實在就是在模擬人，從生物學的角度，去模擬人的思索方式。人的思索，人的神經系統，是由億萬顆神經元，突觸構成，每次思索，學習，都由億萬個神經細胞，電子資訊傳遞活動來介入，而人工智慧的新的練習方式，學習方式，也恰是參考了這樣的結構模擬。
卷積神經網路，監視學習，非監視學習，各種方式在一起，實在就是在模擬人的神經元資訊傳遞加工輸出的方式。
而據說下一代的chatgpt5會有65quatrillion 的paremeter組成，這些引數就相當於人腦的神經元的運作，數目越多，AI越智慧，能理解的能力越強。以後AI說不定能夠真正真正的以更高的水準去理解。
這當然要結合更進步的練習方式，更強盛的演算法。
監視學習：
小時候，我們是如何學習的。好比第一次，我們見到玫瑰花，在花園裡，可能媽媽跟我們說，這個是玫瑰花，這個粉色的也是玫瑰花，於是，我們學會了玫瑰花。後來，我們看到一束玫瑰花，我們也能認出，這是玫瑰花，我們看到書上的插畫，我們也能知道這是玫瑰花，我們看到一個樂高積木玫瑰花，我們也能認出這是玫瑰花。人類咋就這麼智慧呢。但是機器可不行，在模仿人類的神經網路演算法之前，機器不會這麼學習的。你告訴它一隻玫瑰花，換成一束玫瑰，它可能就認不出來了。
那麼再說，好比，老師教我們一個數字6，學會了，以後不管是印刷體6，仍是手寫體6，仍是草書6，我們都能夠很輕易認出來，但是機器，可不會這麼智慧，他們怎麼學會6呢，監視學習就是，可能要一萬張6的照片，輸入進去，告訴它們，這是6，讓他們記住這個特徵，以後面對新的6，它們可能也好也能辨認。
卷積神經網路：
透過對一副圖片，提取它的特徵向量，透過卷積的方式，一個單位一個單位的卷積，得出的特徵向量，可能我們無法理解，是一串二維的，機器可以理解的語言，但是透過這種方式，提取特徵向量，可以讓機器在之後辨別類似特徵的物品，從而進行識別。
非監視學習：
如果說1萬張圖片，讓機器學會了6，是監視學習，而透過自己調整引數，自己驗證 謎底並校準的方法，就長短監視學習，這當然是更高階的學習方法，本人也瞭解不夠深刻。淺知而已。
所以本人所瞭解的，好比AI演算法實驗室裡的小夥伴，大多都在跑模型，耗GPU，試圖練習出更成熟更精準的AI模型出來，也是個“體力活”。挺苦的。讓我們為這些國產AI實驗室加油吧。
以下文章僅僅是一個小白對於AI的思索，不是專業人士，也不預期有許多人看到，只是給自己的一個小記實。
假如下次友人再問我這個問題，我會這麼回答。
我對AI的理解，有三種能力：
1.檢索能力
2.運算能力
3.理解能力
以往的AI可能只能做到上面2種能力，但是chatgpt這個AI已經可以到達第三種能力。
以往的AI只是做到了檢索能力，也就是解決知識的問題。我們知道，這世界上有無窮無盡的知識，但是他們都是作為常識一樣存在的，好比白宮的牆壁是不是白色的，秦朝的第一位天子是不是秦始皇，透過檢索，AI能夠給我們提供這些知識的謎底，所以現在市面上許多AI都是透過這種檢索能力來給我們服務，好比我們可以問AI，諸如現在幾點，明天氣候怎麼樣，或者望廬山瀑布這首詩是誰寫的。這樣的能力是很基礎的，也是比較簡單的，只要你的檢索能力足夠好，可以給你提供足夠精準的謎底。
第二種運算能力，也就是解決有固定規則的問題。好比，解方程，下象棋，做運算，等等。這種，是指在一定規則下，能夠讓AI去快速的計算，得出結果，這些問題，都是有著一個固定的明確的規則的。哪怕像圍棋這樣有千千萬萬條路的可能性的遊戲，它的規則也是固定的，只不過是運用到演算法，算力的大小而已。所以第二種能力，運算，也就是解決有規則的問題。這個也是之前 AI是可以透過演算法做到的。
而第三種能力，理解能力，之前的AI是不輕易做到的，但是chatgpt做的了，這種理解能力，就包括，對上下文語義的理解，自然語言的理解，以及在此基礎上，對於已有資訊知識的檢索，綜合運算整合，組合再給出自己理解的一套謎底。
好比，假如我們試著問AI，如何教小孩子AI的知識？
你問這個問題問你的siri， 它可能會說，我在網頁上找到了這些內容，已經發送到你的手機，請檢視。那麼對於它來說，它仍是在做一些資訊檢索的事情，也就是說，可能有人問過這個問題，在網上，好比百度知道，或者知乎，它找到了相似的謎底，精確度很高的匹配，然後把這個資訊發給你，讓你自己看。這個也就是檢索。
但是假如我們問chatgpt，它會"思索"一陣子，然後給出它的謎底，這個"思索"的過程，既包括了對你問題的理解，也繼承包括了，它對已經存在的知識資訊的檢索，然後加工，然後運算，然後給出它自己已經“理解”了的一個謎底。
你會發現，當你問同一個問題的時候，甚至可能，每次它的回答，都是有不一樣的。
這個就跟人一樣，好比有人問你一個問題，你能保證兩次回答的字，都是一模一樣的嗎。當然不是。由於每次，可能你都有自己的思索，你的表述也會不一樣。
我們可以感覺到chatgpt，它有了自己的"理解"能力。
那這個理解能力是，從何而來的呢。
輕微接觸過機器學習的人都知道，實在這樣的人工智慧，AI技術，就是在模仿人類，學習，理解的方式。以往對人工智慧的練習，學習，那一套，已經滿意不了，但願人工智慧像人一樣為我們服務的需求了。而新的，對人工智慧的練習，實在就是在模擬人，從生物學的角度，去模擬人的思索方式。人的思索，人的神經系統，是由億萬顆神經元，突觸構成，每次思索，學習，都由億萬個神經細胞，電子資訊傳遞活動來介入，而人工智慧的新的練習方式，學習方式，也恰是參考了這樣的結構模擬。
卷積神經網路，監視學習，非監視學習，各種方式在一起，實在就是在模擬人的神經元資訊傳遞加工輸出的方式。
而據說下一代的chatgpt5會有65quatrillion 的paremeter組成，這些引數就相當於人腦的神經元的運作，數目越多，AI越智慧，能理解的能力越強。以後AI說不定能夠真正真正的以更高的水準去理解。
這當然要結合更進步的練習方式，更強盛的演算法。
監視學習：
小時候，我們是如何學習的。好比第一次，我們見到玫瑰花，在花園裡，可能媽媽跟我們說，這個是玫瑰花，這個粉色的也是玫瑰花，於是，我們學會了玫瑰花。後來，我們看到一束玫瑰花，我們也能認出，這是玫瑰花，我們看到書上的插畫，我們也能知道這是玫瑰花，我們看到一個樂高積木玫瑰花，我們也能認出這是玫瑰花。人類咋就這麼智慧呢。但是機器可不行，在模仿人類的神經網路演算法之前，機器不會這麼學習的。你告訴它一隻玫瑰花，換成一束玫瑰，它可能就認不出來了。
那麼再說，好比，老師教我們一個數字6，學會了，以後不管是印刷體6，仍是手寫體6，仍是草書6，我們都能夠很輕易認出來，但是機器，可不會這麼智慧，他們怎麼學會6呢，監視學習就是，可能要一萬張6的照片，輸入進去，告訴它們，這是6，讓他們記住這個特徵，以後面對新的6，它們可能也好也能辨認。
卷積神經網路：
透過對一副圖片，提取它的特徵向量，透過卷積的方式，一個單位一個單位的卷積，得出的特徵向量，可能我們無法理解，是一串二維的，機器可以理解的語言，但是透過這種方式，提取特徵向量，可以讓機器在之後辨別類似特徵的物品，從而進行識別。
非監視學習：
如果說1萬張圖片，讓機器學會了6，是監視學習，而透過自己調整引數，自己驗證 謎底並校準的方法，就長短監視學習，這當然是更高階的學習方法，本人也瞭解不夠深刻。淺知而已。
所以本人所瞭解的，好比AI演算法實驗室裡的小夥伴，大多都在跑模型，耗GPU，試圖練習出更成熟更精準的AI模型出來，也是個“體力活”。挺苦的。讓我們為這些國產AI實驗室加油吧。
以下文章僅僅是一個小白對於AI的思索，不是專業人士，也不預期有許多人看到，只是給自己的一個小記實。
假如下次友人再問我這個問題，我會這麼回答。
我對AI的理解，有三種能力：
1.檢索能力
2.運算能力
3.理解能力
以往的AI可能只能做到上面2種能力，但是chatgpt這個AI已經可以到達第三種能力。
以往的AI只是做到了檢索能力，也就是解決知識的問題。我們知道，這世界上有無窮無盡的知識，但是他們都是作為常識一樣存在的，好比白宮的牆壁是不是白色的，秦朝的第一位天子是不是秦始皇，透過檢索，AI能夠給我們提供這些知識的謎底，所以現在市面上許多AI都是透過這種檢索能力來給我們服務，好比我們可以問AI，諸如現在幾點，明天氣候怎麼樣，或者望廬山瀑布這首詩是誰寫的。這樣的能力是很基礎的，也是比較簡單的，只要你的檢索能力足夠好，可以給你提供足夠精準的謎底。
第二種運算能力，也就是解決有固定規則的問題。好比，解方程，下象棋，做運算，等等。這種，是指在一定規則下，能夠讓AI去快速的計算，得出結果，這些問題，都是有著一個固定的明確的規則的。哪怕像圍棋這樣有千千萬萬條路的可能性的遊戲，它的規則也是固定的，只不過是運用到演算法，算力的大小而已。所以第二種能力，運算，也就是解決有規則的問題。這個也是之前 AI是可以透過演算法做到的。
而第三種能力，理解能力，之前的AI是不輕易做到的，但是chatgpt做的了，這種理解能力，就包括，對上下文語義的理解，自然語言的理解，以及在此基礎上，對於已有資訊知識的檢索，綜合運算整合，組合再給出自己理解的一套謎底。
好比，假如我們試著問AI，如何教小孩子AI的知識？
你問這個問題問你的siri， 它可能會說，我在網頁上找到了這些內容，已經發送到你的手機，請檢視。那麼對於它來說，它仍是在做一些資訊檢索的事情，也就是說，可能有人問過這個問題，在網上，好比百度知道，或者知乎，它找到了相似的謎底，精確度很高的匹配，然後把這個資訊發給你，讓你自己看。這個也就是檢索。
但是假如我們問chatgpt，它會"思索"一陣子，然後給出它的謎底，這個"思索"的過程，既包括了對你問題的理解，也繼承包括了，它對已經存在的知識資訊的檢索，然後加工，然後運算，然後給出它自己已經“理解”了的一個謎底。
你會發現，當你問同一個問題的時候，甚至可能，每次它的回答，都是有不一樣的。
這個就跟人一樣，好比有人問你一個問題，你能保證兩次回答的字，都是一模一樣的嗎。當然不是。由於每次，可能你都有自己的思索，你的表述也會不一樣。
我們可以感覺到chatgpt，它有了自己的"理解"能力。
那這個理解能力是，從何而來的呢。
輕微接觸過機器學習的人都知道，實在這樣的人工智慧，AI技術，就是在模仿人類，學習，理解的方式。以往對人工智慧的練習，學習，那一套，已經滿意不了，但願人工智慧像人一樣為我們服務的需求了。而新的，對人工智慧的練習，實在就是在模擬人，從生物學的角度，去模擬人的思索方式。人的思索，人的神經系統，是由億萬顆神經元，突觸構成，每次思索，學習，都由億萬個神經細胞，電子資訊傳遞活動來介入，而人工智慧的新的練習方式，學習方式，也恰是參考了這樣的結構模擬。
卷積神經網路，監視學習，非監視學習，各種方式在一起，實在就是在模擬人的神經元資訊傳遞加工輸出的方式。
而據說下一代的chatgpt5會有65quatrillion 的paremeter組成，這些引數就相當於人腦的神經元的運作，數目越多，AI越智慧，能理解的能力越強。以後AI說不定能夠真正真正的以更高的水準去理解。
這當然要結合更進步的練習方式，更強盛的演算法。
監視學習：
小時候，我們是如何學習的。好比第一次，我們見到玫瑰花，在花園裡，可能媽媽跟我們說，這個是玫瑰花，這個粉色的也是玫瑰花，於是，我們學會了玫瑰花。後來，我們看到一束玫瑰花，我們也能認出，這是玫瑰花，我們看到書上的插畫，我們也能知道這是玫瑰花，我們看到一個樂高積木玫瑰花，我們也能認出這是玫瑰花。人類咋就這麼智慧呢。但是機器可不行，在模仿人類的神經網路演算法之前，機器不會這麼學習的。你告訴它一隻玫瑰花，換成一束玫瑰，它可能就認不出來了。
那麼再說，好比，老師教我們一個數字6，學會了，以後不管是印刷體6，仍是手寫體6，仍是草書6，我們都能夠很輕易認出來，但是機器，可不會這麼智慧，他們怎麼學會6呢，監視學習就是，可能要一萬張6的照片，輸入進去，告訴它們，這是6，讓他們記住這個特徵，以後面對新的6，它們可能也好也能辨認。
卷積神經網路：
透過對一副圖片，提取它的特徵向量，透過卷積的方式，一個單位一個單位的卷積，得出的特徵向量，可能我們無法理解，是一串二維的，機器可以理解的語言，但是透過這種方式，提取特徵向量，可以讓機器在之後辨別類似特徵的物品，從而進行識別。
非監視學習：
如果說1萬張圖片，讓機器學會了6，是監視學習，而透過自己調整引數，自己驗證 謎底並校準的方法，就長短監視學習，這當然是更高階的學習方法，本人也瞭解不夠深刻。淺知而已。
所以本人所瞭解的，好比AI演算法實驗室裡的小夥伴，大多都在跑模型，耗GPU，試圖練習出更成熟更精準的AI模型出來，也是個“體力活”。挺苦的。讓我們為這些國產AI實驗室加油吧。
